[논문]터빈설비의 정비이력을 이용한 고장확률 예측 및 정비주기 설정에의 응용

송기욱; 구재량; 최우성

doi:10.3795/ksme-a.2010.34.9.1325

초록
AI-Helper

터빈설비 각 중요부품의 고장은 발전정지라는 큰 파급효과를 유발하며, 예기치 못한 고장으로 설비의 이용률이 감소하게 되면 막대한 경제적 손실이 발생한다. 현재 발전설비는 제작사에서 제시한 정비주기를 기준으로 보수적인 예방정비를 실시하고 있으나, 급변하는 경영환경에서 경쟁력을 유지하기 위해서는 신뢰도를 유지하면서 정비비용을 절감하는 신뢰도 기반 정비방법을 도입 해야 할 필요가 있다. 신뢰성 있는 정비주기를 선정하기 위해서는 설비의 고장이력에 대한 면밀한 분석을 통하여 고장확률을 예측해야 한다. 본 논문은 발전설비 중 터빈 각 부품들의 고장이력을 데이터베이스로 만들고, Weibull 함수를 이용하여 최적의 정비시점을 예측하며, 정비주기를 결정하는 방법에 대하여 연구하였다.

Abstract ▼ AI-Helper

The breakdown of any critical component of a turbine results in the outage of power plants. Unexpected failure decreases equipment utilization and causes enormous economic losses. Currently, we conduct conservative preventive maintenance for a maintenance period that is proposed by a vendor. In the ...

The breakdown of any critical component of a turbine results in the outage of power plants. Unexpected failure decreases equipment utilization and causes enormous economic losses. Currently, we conduct conservative preventive maintenance for a maintenance period that is proposed by a vendor. In the rapidly changing business environment, reliability-based maintenance is required in order to remain competitive and reduce maintenance costs while maintaining the reliability of equipment. In order to determine an appropriate maintenance period for guaranteeing reliability, we must determine the failure probability by carefully analyzing the failure history of the equipment. In this study, we created a database of failure history for power-plant turbines, predicted the best repair time using the Weibull function, and investigated how the appropriate maintenance cycle can be determined.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 발전설비 중 터빈 각 부품들의 고장이력을 데이터베이스로 만들고, Weibull 함수를 이용하여 최적 정비시점을 예측하며, 정비주기를 결정하는 방법을 연구하였다. 또한 용이한 분석을 위하여 신뢰도 평가 프로그램을 개발하였다.
본 논문에서는 표준석탄화력 터빈설비에 부속된 각 기기들의 고장이력을 정리하여 데이터베이스를 구축하였다. 이 고장 DB를 사용하여 통계적 기법인 Weibull 분포함수를 적용, 터빈 설비별 고장밀도함수와 누적고장확률을 계산하고 최적 정비주기를 제시하였다.
표준석탄화력 터빈 설비의 정비주기를 최적화하기 위하여 고장이력기반 터빈신뢰성 평가 프로그램을 개발하였다. Fig.

가설 설정

Fig. 4에서는 베어링의 시간에 따른 고장이력을 Weibull 분포로 가정하여 고장 확률밀도 함수와 고장확률 누적함수를 구하였다.

제안 방법

국내 표준석탄화력 발전소인 보령, 하동, 당진, 태안, 삼천포화력을 대상으로, 각 발전소의 건설 초기부터 정지 및 기동 이력, 불시정비와 긴급 정비 이력, 계획예방정비 기술정산서 등을 분석하고, 터빈기기 분류표를 적용하여 설비 별로 정비이력을 조사하였다.
본 논문에서는 발전설비 중 터빈 각 부품들의 고장이력을 데이터베이스로 만들고, Weibull 함수를 이용하여 최적 정비시점을 예측하며, 정비주기를 결정하는 방법을 연구하였다. 또한 용이한 분석을 위하여 신뢰도 평가 프로그램을 개발하였다.
우선적으로 국내표준석탄화력 터빈설비에 대한 고장이력 자료를 수집하여 터빈설비 별로 데이터베이스를 구축하였으며, 미국 NERC 데이터를 분석하여 국내 표준석탄화력과 동일한 출력, 압력, 온도를 가진 발전설비의 고장 데이터베이스를 만들고 국내 데이터와 비교하였다.
이중 정비 수요가 많은 베어링을 대상으로 정비이력이 Weibull 분포를 따르는지 확인하고자 미니탭을 사용하여 분석을 수행하였다.
저압터빈 베어링의 형상 파라메터 값은 타 베어링에 비해 1 보다 현저히 작게 나타나고 있어, 고장이력을 분석하여 보았다. 총 61 건이 고장 중 5 년 미만에 발생한 초기 고장건수가 31 건으로 약 48% 이상을 차지하고 있었다.
터빈 설비 부품중 고장이 자주 발생하는 고압, 중압, 저압터빈베어링, 저압터빈 Diaphragms, 주 증기정지 밸브, 주 증기 조절밸브등에 대하여 Weibull 함수의 필수인자 값을 구하였으며 그 결과를 Table 1 에 나타내었다.

대상 데이터

Fig. 1 은 보령 287 개, 당진 81 개, 삼천포 309개, 태안 180 개, 하동 125 개 등 총 982 개의 표준석탄화력 터빈설비의 고장 DB를 보여주고 있다. Fig.

데이터처리

본 논문에서는 표준석탄화력 터빈설비에 부속된 각 기기들의 고장이력을 정리하여 데이터베이스를 구축하였다. 이 고장 DB를 사용하여 통계적 기법인 Weibull 분포함수를 적용, 터빈 설비별 고장밀도함수와 누적고장확률을 계산하고 최적 정비주기를 제시하였다. 현재 발전설비의 정비 주기는 시간기반의 예방 정비방법을 사용하고 있으나 기존 정비이력의 통계적 분석을 통한 신뢰도기반 정비 방식을 도입하면 최적의 정비 주기 선정으로 정비 비용 절감과 설비 신뢰성 향상에 크게 기여 할 것이다.

성능/효과

Weibull 분포는 재료의 피로 데이터를 분석하기 위하여 고안되었으나, 지금은 다른 분야에도 널리 사용되고 있으며, 특히, 부품이 노후화 되어 고장률이 시간의 경과에 따라 증가하는 경우에 많이 사용된다.⁽³⁾ 많은 부품들로 구성되어 있는 제품에서 구성부품들 중 하나가 고장 난다고 가정하면, Weibull 분포가 제품의 수명분포에 가까운 근사를 나타낸다고 알려졌다.⁽⁴⁾ 표본의 수가 작은 경우에도 누적분포 함수를 구할 수 있어 발전설비와 같이 동일한 고장유형의 수가 적은 경우에도 사용 할 수 있다.
3, 4에서 C1 은 베어링의 고장횟수를 나타내고 있다. Fig. 3은 Weibull, 로그, 지수, 정규 분포 중에서 베어링의 고장분포가 Weibull 분포와 가장 높은 상관계수를 보여주고 있어, Weibull 분포로 가정함이 가장 적합한 것으로 나타났다.
Fig. 6의 누적확률 그래프에서는 고압터빈 베어링의 누적 고장확률이 선형적으로 매년 거의 일정하게 증가하는 것으로 나타났다.
8에서는 년도 별 누적 고장확률을 보여 주고 있다. 베어링 설치 후 3 년까지는 고장이 발생하지 않다가 서서히 고장확률이 증가하여 12 년째에 Weibull 함수의 특성 수명값인 63.2%를 나타내고 있고, 약 18 년 운전 이후에는 고장 확률이 1에 수렴함을 보여주고 있다.
Table 3는 현 정비주기와 프로그램에서 계산된 정비주기를 비교한 것 이다. 제작사에 제시한 현 정비주기에 비하여 누적고장 확률로부터 계산된 정비주기가 최소 1 년에서 최대 4 년까지 연장됨을 알 수 있다.
저압터빈 베어링의 형상 파라메터 값은 타 베어링에 비해 1 보다 현저히 작게 나타나고 있어, 고장이력을 분석하여 보았다. 총 61 건이 고장 중 5 년 미만에 발생한 초기 고장건수가 31 건으로 약 48% 이상을 차지하고 있었다.

후속연구

현재 발전설비는 제작사에서 제시한 정비주기를 기준으로 보수적인 예방정비를 실시하고 있으나, 급변하는 경영환경에서 경쟁력을 유지하기 위해서는 설비의 신뢰성을 유지하면서도 정비비용을 절감하는 새로운 신뢰도 기반 정비방법을 도입해야 할 필요가 있다. 신뢰도 기반 정비를 위해서는 발전설비 기기별 고장이력이 잘 정리되어 유용한 데이터로 사용되어야 하나, 고장 데이터베이스 구축과 활용 면에서 많은 부족한 점을 가지고 있어 향후에 개선할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	급변하는 경영 환경에서 경쟁력을 유지하기 위해서는 어떤 정비방법을 도입해야 하는가	터빈설비 각 중요부품의 고장은 발전정지라는 큰 파급효과를 유발하며, 예기치 못한 고장으로 설비의 이용률이 감소하게 되면 막대한 경제적 손실이 발생한다. 현재 발전설비는 제작사에서 제시한 정비주기를 기준으로 보수적인 예방정비를 실시하고 있으나, 급변하는 경영환경에서 경쟁력을 유지하기 위해서는 신뢰도를 유지하면서 정비비용을 절감하는 신뢰도 기반 정비방법을 도입 해야 할 필요가 있다. 신뢰성 있는 정비주기를 선정하기 위해서는 설비의 고장이력에 대한 면밀한 분석을 통하여 고장확률을 예측해야 한다.
	현재 발전설비의 정비는 어떻게 이루어지고 있는가?	터빈설비 각 중요부품의 고장은 발전정지라는 큰 파급효과를 유발하며, 예기치 못한 고장으로 설비의 이용률이 감소하게 되면 막대한 경제적 손실이 발생한다. 현재 발전설비는 제작사에서 제시한 정비주기를 기준으로 보수적인 예방정비를 실시하고 있으나, 급변하는 경영환경에서 경쟁력을 유지하기 위해서는 신뢰도를 유지하면서 정비비용을 절감하는 신뢰도 기반 정비방법을 도입 해야 할 필요가 있다. 신뢰성 있는 정비주기를 선정하기 위해서는 설비의 고장이력에 대한 면밀한 분석을 통하여 고장확률을 예측해야 한다.
	설비 신뢰성을 고려한 상태기반 정비방법으로 언급된 것은 무엇인가?	RCM(Reliability-Centered Maintenance)을 기초로 하는 정비방법은 시변고장율(TVFR : Time-Varying Failure Rate), 유지보수의 횟수 등을 고려하여 효과적인 정비주기를 결정 할 수 있다.(2)

참고문헌 (6)

Electric Power Research Institute, 2000, "Turbine- Generator Maintenance Interval Optimization Using a Financial Risk Assessment Technique," EPRI, Palo Alto, 1000820E204901, pp. 4-14
Smith, A. M., Vasudevan, R. V., Matteson, T. D. and Gaertner, J. P., 1986, "Enhancing plant preventive maintenance via RCM," Proc. a. Reliab. Maintainab. Symp., Microelectronics Reliability, Volume 27, Issue 4, 1987, p. 785.
Electric Power Research Institute, 2000, "Turbo-X User Manual Level 1," EPRI, 1000819, Polo Alto, pp. 6.1-6.7.
Song, J. H. and Bark, J. H., 2007, "An Introduction to Reliability Engineering for Mechanical Engineer," Intervision, Seoul, pp.176-186
Herder, P.M., van Luijk, J.A., Bruijnooge, J., 2008, "Industrial Application of RAM Modeling: Development and Implementation of a RAM Simulation Model for the $Lexan^{\circledR}$ Plant at GE Industrial, Plastics",Reliability Engineering & System Safety, Volume 93, Issue 4, pp. 501-508

상세보기
Martorell, S., Munoz, A. and Serradell, V., 1995, "An Approach to Integrating Surveillance and Maintenance Tasks to Prevent the Dominant Failure Causes of Critical Components," Reliability Engineering & System Safety, Volume 50, Issue 2, pp. 179-187

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

터빈설비의 정비이력을 이용한 고장확률 예측 및 정비주기 설정에의 응용
Determination of Maintenance Period and Failure Probability for Turbine Using Maintenance Record 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (6)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

터빈설비의 정비이력을 이용한 고장확률 예측 및 정비주기 설정에의 응용 Determination of Maintenance Period and Failure Probability for Turbine Using Maintenance Record 원문보기

초록 AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (6)

이 논문을 인용한 문헌

저자의 다른 논문 :

송기욱 (13) 구재량 (6)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

터빈설비의 정비이력을 이용한 고장확률 예측 및 정비주기 설정에의 응용
Determination of Maintenance Period and Failure Probability for Turbine Using Maintenance Record 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper